A Google DeepMind július 30-án mutatta be a Gemini Robotics 2 modellcsaládot. Nem egy Google által gyártott új robot érkezett: a vállalat mesterséges intelligenciája többek között az Apptronik Apollo 2 humanoidot vezérli. Az újdonság az, hogy a modell már nemcsak a robot karjait és felsőtestét irányítja, hanem a járást, az egyensúlyozást, a lehajlást és a tárgyak megfogását is egyetlen folyamatként kezeli.
Nem új robot, hanem új vezérlés
A Gemini Robotics 2 három, egymáshoz kapcsolódó modellből áll. A VLA, vagyis Vision-Language-Action változat a kameraképet és a természetes nyelvű utasítást közvetlenül mozgássá alakítja. A Gemini Robotics ER 2 a tervezésért és a fizikai környezet értelmezéséért felel, az On-Device 2 pedig helyben, a robot hardverén futtatható. A DeepMind ugyanazt a VLA-modellt több eltérő felépítésű gépen is bemutatta, köztük kétféle kézzel szerelt Apollo 2 roboton és egy Franka Duo kétkarú rendszeren.
Az Apollo 2 a bemutatókon szóbeli utasítás alapján odalépett a tárgyakhoz, lehajolt, polcról vagy a padlóról emelt fel eszközöket, majd másik helyre vitte őket. Ez a gyakorlatban jóval nehezebb annál, mint amikor egy rögzített robotkar mindig ugyanarról a pontról vesz fel egy alkatrészt. A humanoidnak közben meg kell tartania az egyensúlyát, ki kell kerülnie az akadályokat, és a teljes test mozgását össze kell hangolnia a kéz pozíciójával.
A látványos demók mögött még bőven van hibalehetőség
A DeepMind eredményei alapján az egész testes vezérlés működik, de még nem hibátlan. Az Apollo 2 egyik mérésében a robot az asztalról történő tárgyfelvételt 68,4 százalékos, a padlóról történőt 45,7 százalékos, a polcról történőt pedig 76,3 százalékos sikeraránnyal teljesítette. Ezek kutatási eredmények, ellenőrzött feladatokon. Nem azt jelentik, hogy a robot bármilyen lakásban vagy üzemben ugyanilyen megbízhatóan boldogulna.
Az ötujjas robotkezek vezérlése különösen nehéz terület. A közzétett felvételeken a rendszer cipzáras tasakot zár le, szemeteszsákot köt össze és villanykörtét csavar ki. A DeepMind ugyanakkor maga is azt írja, hogy a többujjas manipuláció továbbra is komoly kihívás. A demók ezért azt mutatják meg, mire képes a rendszer sikeres próbák során, nem pedig azt, hogy minden alkalommal végrehajtja ezeket a feladatokat.
Több robot is dolgozhat ugyanazon a feladaton
A Gemini Robotics ER 2 a hosszabb feladatokat kisebb lépésekre bontja, nyomon követi a végrehajtást, és a környezet változásakor újratervezhet. A DeepMind többrobotos bemutatókat is készített: ezekben eltérő felépítésű robotok osztották meg egymás között a munkát. Az egyik gép megtervezte vagy kiosztotta a következő lépést, a másik pedig elvégezte a fizikai műveletet. Ez még kísérleti rendszer, ezért a bemutatóból nem következik, hogy a robotok általános, önálló csapatként bármilyen feladatot meg tudnak oldani.
Helyi futtatás és gyorsabb alkalmazkodás
A Gemini Robotics On-Device 2 hálózati kapcsolat nélkül, közvetlenül a roboton fut. Ennek két kézzelfogható előnye van: a vezérlésnek nem kell egy távoli szerver válaszára várnia, és a robot olyan helyen is használható, ahol nincs stabil internet. A DeepMind szerint az új változat néhány órányi adatból, jellemzően kétszáznál kevesebb példával hozzáigazítható egy teljesen új, kétkarú robotfelépítéshez. Ez nem azonos a teljesen önálló tanulással: az átállításhoz továbbra is megfelelő bemutatóadatokra és mérnöki munkára van szükség.
A biztonsági rendszer is kapott egy új tesztet
A DeepMind szerint az ER 2 a cég eddigi legjobb robotikai modellje a biztonsági utasítások követését és az emberek közelségének felismerését mérő saját tesztjeiken. Ha valaki túl közel lép a robothoz, a rendszer biztonsági eszközhívást kezdeményezhet és leállíthatja a mozgást. Ettől egy robot még nem válik automatikusan biztonságossá: a fizikai korlátozókra, az ütközésvédelemre és az adott gépre szabott vezérlőkre továbbra is szükség van.
Az ASIMOV-Agentic nem belső, titkos mérés, hanem a DeepMind által bemutatott új benchmark. Azt vizsgálja, hogy az MI visszautasítja-e a veszélyes műveleteket, észreveszi-e, ha egy feladat nem hajtható végre, illetve kér-e emberi segítséget, amikor bizonytalan. A teszt hasznos összehasonlítási alap, de nem helyettesíti a valódi környezetben végzett biztonsági ellenőrzést.
A hozzáférés egyelőre korlátozott. A Gemini Robotics ER 2 kipróbálható a Google AI Studióban, és privát előzetesként elérhető a Gemini Enterprise Agent Platformon. A közvetlen robotvezérlésre szolgáló VLA és az On-Device 2 változat viszont csak korai hozzáférésű partnerekhez jut el. A Gemini Robotics 2 tehát fontos kutatási előrelépés, de még nem egy üzletből megvásárolható, minden helyzetben bevethető robotagy.
